Wenn man die Nachrichten über die Auswirkungen von KI auf die Softwareentwicklung verfolgt, stößt man auf höchst unterschiedliche Behauptungen. Die Befürworter behaupten, KI-Unterstützung steigere die Geschwindigkeit um 40 %, und im Jahr 2030 werde 95 % des gesamten Codes von KI geschrieben. Dann gibt es jedoch Studien, die behaupten, die Effizienz sinke tatsächlich um 25 %, weil so viel Zeit für das Refactoring der KI-Ergebnisse draufgehe. Ich habe mit Programmierern gesprochen, die kaum noch selbst eine Zeile Code schreiben, mit anderen, die KI nur für bestimmte Aufgaben nutzen (etwa zum Schreiben von Tests), und mit einigen, die KI komplett ablehnen – aus durchaus berechtigten Gründen wie den Umweltauswirkungen, Fragen des geistigen Eigentums, steigenden Kosten sowie Sorgen um die digitale Souveränität und die Abhängigkeit von US-Unternehmen.
Dazu kommen die Horrorgeschichten von Open-Source-Projekten, die mit KI-generierten Pull Requests überschwemmt werden, und von Unternehmen, die versehentlich Zehntausende Dollar für API-Aufrufe ausgeben. Wie sieht also die Realität aus, draußen in den sprichwörtlichen Schützengräben? Nach einigen ersten Tests mit gemischten Ergebnissen nutze ich Claude Code nun seit ein paar Monaten – zuerst mit einem Pro-Abonnement, jetzt mit Max – für eine Vielzahl von Programmierproblemen und Sprachen. Daher denke ich, dass ich mir ein gewisses Urteil darüber erlauben darf, wo wir derzeit stehen.
Das Gedächtnisproblem
Ich glaube, dass viele der Probleme, die Menschen beim Programmieren mit KI-Unterstützung erleben, daher rühren, dass sie nicht verstehen, dass Large Language Models kein Langzeitgedächtnis besitzen, das vergangene Erfahrungen speichert. Entwickler sind manchmal ratlos, wenn ihr KI-Assistent denselben Fehler macht wie in der Woche zuvor – bei mir hat Claude einmal die falschen Dateien bearbeitet, weil es vergessen hatte, dass es in einem Unterverzeichnis eine neue Version angelegt hatte.
LLMs lernen nicht während der Nutzung. Sie lernen nur während des Trainings. Danach sind die Gewichte, die das Wissen des Modells bestimmen, festgelegt. Das einzige „Gedächtnis“, das ein LLM hat, ist der Kontext. Das sind alle Informationen, etwa der Chatverlauf, die dem Modell bei jeder Anfrage mitgegeben werden. Ein LLM kann sich nur dann an Dinge „erinnern“ und sie berücksichtigen, wenn sie ihm immer wieder aufs Neue zugeführt werden. Deshalb ist die Kontextgröße so wichtig – nur mit einem großen Kontextfenster kann ein LLM viele Informationen, etwa eine umfangreiche Codebasis, berücksichtigen. Das ist auch der Grund, warum Coding-Assistenten die neuesten Versionen sich weiterentwickelnder Bibliotheken und Frameworks oft nicht kennen und dazu neigen, Deprecation-Warnungen zu erzeugen – ihr Wissen ist auf den Zeitpunkt des Trainings eingefroren.
Eine Teillösung sind Dateien wie AGENTS.md, CLAUDE.md und andere Markdown-Dateien, die Anweisungen und gesammelte Erkenntnisse enthalten – teils vom menschlichen Entwickler erstellt, teils vom Coding-Assistenten selbst. Werden sie dem Modell bei jedem Prompt mitgegeben, liefern sie einen Kontext für die Anfrage. Das Problem ist, dass große Kontextfenster viele Tokens erfordern, sodass nur die besten und teuersten Modelle sehr große Kontextfenster bieten. Selbst dann ist es schwierig, eine sehr große Codebasis mit all ihren Abhängigkeiten zu verstehen. Man merkt, dass selbst bei einem kleineren Projekt eine neue Sitzung die gesamte Codebasis einlesen muss (die es vielleicht erst wenige Minuten zuvor in einer anderen Sitzung selbst geschrieben hat), um zu verstehen, was los ist.
Claude hat eine Funktion namens Skills – das klingt vielversprechend, bedeutet aber im Grunde nur, dass eine Sitzung mit bestimmten Anweisungen wie „Du bist ein Sicherheitsprüfer“ usw. initialisiert wird. Das hilft dabei, das Modell in die richtige Richtung zu lenken, setzt aber nicht auf magische Weise neue Fähigkeiten frei, die sonst nicht verfügbar wären.
Die Konsequenzen liegen auf der Hand: KI-Modelle können in kleinen, abgeschlossenen Projekten hervorragende Arbeit leisten, tun sich aber in größeren Projekten unter Umständen schwer. Je spezifischer die Aufgabe und je kleiner die Menge an Code, die berücksichtigt werden muss, desto besser die Ergebnisse. Selbst dann hat Claude bei mir schon stundenlang versucht, ein kleines Problem zu diagnostizieren, und dabei immer weiter hergeholte Lösungen vorgeschlagen – bis ich es auf die zehn Zeilen Code hinwies, in denen der Fehler auftrat.
Das Bedürfnis nach Tempo
Wenn das Problem für KI-gestütztes Programmieren gut geeignet ist, können die Ergebnisse zuweilen fast wie Magie wirken. Manchmal bin ich wirklich verblüfft, welches Wissen es selbst über Nischengebiete wie die Bauwerksüberwachung und Vermessungsprobleme hat. Zudem kennt es mehr Programmiersprachen, als ich je lernen könnte. Ich habe Claude nicht nur zum Schreiben von Code in Rust, Python und Swift genutzt – es ist natürlich auch mit Shell-Skripting, Docker und Ansible vertraut.
KI ist hervorragend darin, Boilerplate-Code zu schreiben, also das, was Entwickler wirklich langweilig finden. Besonders gefällt mir, wie schnell sie GUIs hervorbringt. Eine individuelle GUI zum Labeln in einer Machine-Learning-Pipeline zu schreiben, ist jetzt eine Frage von Minuten, nicht von Stunden oder Tagen.
Wenn Sie immer noch programmieren, indem Sie in einem Chatfenster Fragen stellen und die Ergebnisse per Copy & Paste übertragen, machen Sie es falsch. Um die Macht der KI beim Programmieren wirklich zu entfesseln, braucht man einen Coding-Agenten wie Claude Code oder Codex. Er erhält direkten Zugriff auf Code und Werkzeuge – man sollte ihn nur nicht zu viel tun lassen, sonst kann man bald eine weitere Horrorgeschichte über gelöschte Produktionsdatenbanken und andere Missgeschicke erzählen. Aber um schnell zu iterieren, sind Agenten unverzichtbar.
Ein interessanter und vielleicht noch nicht allgemein bekannter Aspekt ist, dass moderne KI-Modelle multimodal sind – sie verstehen nicht nur Sprache, sie können auch „sehen“, d. h. Bilder interpretieren. Eines der lästigsten Dinge an der Photogrammetrie sind die vielen verschiedenen Konventionen für Orientierungswinkel, die meist viel Ausprobieren erfordern, bis man die richtige findet. Da Claude sehen kann, kann es auch Informationen darstellen und interpretieren, diese Konventionen selbst testen und innerhalb weniger Minuten die richtige finden (meistens – Claude hat mir auch schon versichert, dass alles großartig aussehe, obwohl ein Bild und die überlagerte Punktwolke eindeutig gespiegelt waren).
Die Probleme
Die Nutzung von KI wird derzeit stark subventioniert. Selbst die kostenpflichtigen Abonnements decken die Kosten nicht, daher machen KI-Unternehmen Verluste und leben von Risikokapital. Ich glaube nicht, dass das ewig so weitergeht – ich erwarte, dass die drei großen Anbieter von KI-Modellen für das Programmieren (OpenAI, Google, Anthropic) irgendwann gezwungen sein werden, die Preise zu erhöhen. Schon jetzt kann die tokenbasierte API-Nutzung zu erheblichen Rechnungen führen, daher empfehle ich für Entwicklungszwecke stattdessen ein Abonnement.
Die andere Gefahr ist die Abhängigkeit von US-amerikanischen KI-Anbietern, also ein Mangel an digitaler Souveränität. Anthropic wurde gezwungen, den Zugang zu Claude Fable schon nach wenigen Tagen auszusetzen. Was passiert, wenn der Zugang irgendwann ganz abgeschaltet wird, möglicherweise im Rahmen eines Handelskriegs? Die lokale Ausführung eigener Modelle könnte als Lösung gelten – das Problem dabei ist, dass die verfügbaren Open-Source- oder Open-Weight-Modelle noch nicht so leistungsfähig sind wie die kommerziellen Modelle, und die Hardware, die zum Betrieb großer, leistungsstarker Modelle nötig ist, in den letzten Monaten nur teurer geworden ist.
Die langfristigen Auswirkungen sind noch unklar. Es wird erwartet, dass die Speicherpreise in naher Zukunft hoch bleiben. Die Umweltauswirkungen sind unbestreitbar, jetzt da Rechenzentren im Gigawatt-Maßstab gebaut werden. Wie sich das auf die Arbeit von Softwareentwicklern auswirken wird, bleibt abzuwarten. KI kann eindeutig die Arbeit von Junior-Entwicklern übernehmen, doch die heutigen Junior-Entwickler werden gebraucht, denn sie sind die Senior-Entwickler der Zukunft. Und ich lehne es grundsätzlich ab, KI zur „Effizienzsteigerung“ einzusetzen, d. h. um Mitarbeiter zu entlassen. Unser Ziel sollte es sein, so viele Menschen wie möglich zu beschäftigen, nicht so wenige wie möglich – auch aus ökonomischer Sicht.
Mein wichtigstes Fazit lautet also: KI hat eindeutig massive Auswirkungen auf die Softwareentwicklung und wird diese auch weiterhin haben – aber ich vermeide es, mich zu sehr auf sie zu verlassen. Setzen Sie sie dort ein, wo es sinnvoll ist und Vorteile bringt, aber bleiben Sie flexibel und auch ohne sie handlungsfähig.
